Ultralytics YOLOv5#

Обзор#

YOLOv5u — это новый этап развития методов обнаружения объектов. Созданная на основе базовой архитектуры модели YOLOv5, разработанной Ultralytics, модель YOLOv5u объединяет разделённую голову без якорей и objectness — функцию, впервые представленную в моделях YOLOv8. Эта адаптация совершенствует архитектуру модели и улучшает баланс между точностью и скоростью при обнаружении объектов. Судя по эмпирическим результатам и реализованным функциям, YOLOv5u — эффективная альтернатива для тех, кому нужны надёжные решения как для исследований, так и для практических задач.

Основные особенности#

• Разделённая голова Ultralytics без якорей: традиционные модели обнаружения объектов используют заранее заданные якорные рамки для предсказания местоположения объектов. YOLOv5u предлагает более современный подход. Благодаря разделённой голове Ultralytics без якорей модель использует более гибкий и адаптивный механизм обнаружения, что повышает производительность в разных сценариях.

• Оптимальный баланс точности и скорости: скорость и точность часто достигаются за счёт друг друга. Но YOLOv5u позволяет добиться оптимального баланса между ними. Модель обеспечивает обнаружение объектов в реальном времени без снижения точности. Эта функция особенно важна для приложений, которым нужна быстрая реакция, например автономных транспортных средств, робототехники и аналитики видео в реальном времени.

• Разнообразие предварительно обученных моделей: для разных задач нужны разные инструменты, поэтому YOLOv5u предлагает множество предварительно обученных моделей. Для инференса, валидации или обучения найдётся подходящая модель. Благодаря такому разнообразию тебе не придётся использовать универсальное решение: можно выбрать модель, специально настроенную для твоей задачи.

Поддерживаемые задачи и режимы#

Модели YOLOv5u с различными предварительно обученными весами отлично справляются с задачами обнаружения объектов. Они поддерживают широкий набор режимов и подходят для разных сценариев — от разработки до развертывания.

В этой таблице подробно представлены варианты модели YOLOv5u, их применимость для обнаружения объектов и поддержка различных режимов работы, таких как инференс, валидация, обучение и экспорт. Благодаря такой поддержке ты сможешь в полной мере использовать возможности моделей YOLOv5u в самых разных сценариях обнаружения объектов.

Метрики производительности#

Примеры использования#

В этом примере показаны простые примеры обучения и инференса YOLOv5. Полную документацию по этим и другим режимам смотри на страницах документации Predict, Train, Val и Export.

from ultralytics import YOLO

# Загружаем предварительно обученную на COCO модель YOLOv5nu
model = YOLO("yolov5nu.pt")

# Показать информацию о модели (необязательно)
model.info()

# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполняем инференс с моделью YOLOv5nu на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

Цитирование и благодарности#

Если ты используешь YOLOv5 или YOLOv5u в своих исследованиях, укажи ссылку на репозиторий Ultralytics YOLOv5 следующим образом:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

Обрати внимание: модели YOLOv5 распространяются по лицензиям AGPL-3.0 и Enterprise.

Часто задаваемые вопросы#